DE102020212296A1

DE102020212296A1 - Druckluft-Bereitstellungsvorrichtung und Verfahren

Info

Publication number: DE102020212296A1
Application number: DE102020212296.2A
Authority: DE
Inventors: Daniel Klassen; Aleg Vilinski; Silvia Starz
Original assignee: Festo SE and Co KG
Current assignee: Festo SE and Co KG
Priority date: 2020-09-29
Filing date: 2020-09-29
Publication date: 2022-03-31
Also published as: US20220100155A1; KR20220043885A; CN114330092A

Abstract

Die Erfindung betrifft eine Druckluft-Bereitstellungsvorrichtung (4) zur Durchführung einer Regelung, insbesondere einer Positionsregelung und/oder Druckregelung, auf Basis von Reglerparametern (RP), wobei die Druckluft-Bereitstellungsvorrichtung (4) über ein Machine-Learning-Modell (55) verfügt und ausgebildet ist, unter Verwendung des Machine-Learning-Modells (55) die Reglerparameter (RP) auf Basis von eingegebenen Systemparametern (SP) bereitzustellen, die physikalische Eigenschaften eines Systems (100), in dem die Druckluft-Bereitstellungsvorrichtung (4) verwendet werden soll, beschreiben, und auf Basis der bereitgestellten Reglerparameter (RP) die Regelung durchzuführen.

Description

Die Erfindung betrifft eine Druckluft-Bereitstellungsvorrichtung zur Durchführung einer Regelung, insbesondere einer Positionsregelung und/oder Druckregelung, auf Basis von Reglerparametern. Die Regelung steuert die Bereitstellung von Druckluft.
Die Druckluft-Bereitstellungsvorrichtung umfasst beispielsweise eine Ventilinsel und dient insbesondere zur Bereitstellung einer Servopneumatik - also einer pneumatischen Positionsregelung. Die Regelung ist insbesondere eine nicht-lineare Regelung. Bei den Reglerparametern, auf deren Basis die Regelung erfolgt, handelt es sich beispielsweise um Reglerverstärkungen.
Um eine gute Regelungs-Performance zu erzielen, müssen die Reglerparameter an das jeweilige System - also die jeweilige Applikation - in dem die Druckluft-Bereitstellungsvorrichtung verwendet wird, angepasst werden.
Bei den Systemen - also den Applikationen - die für einen Einsatz der Druckluft-Bereitstellungsvorrichtung in Frage kommen, gibt es eine große Variation von physikalischen Eigenschaften (z.B. verschiedene Massen und/oder Abmessungen), die, um eine gute Regelungs-Performance zu erzielen, bei der Bestimmung der Reglerparameter berücksichtigt werden müssen.
Der Benutzer der Druckluft-Bereitstellungsvorrichtung weiß allerdings in der Regel nicht, wie er die Reglerparameter einstellen muss, um die Regelung an die physikalischen Eigenschaften des vorliegenden Systems anzupassen.
Eine Aufgabe der Erfindung besteht darin, eine Druckluft-Bereitstellungsvorrichtung bereitzustellen, die eine einfache Anpassung der Reglerparameter an das jeweilige System ermöglicht.
Die Aufgabe wird gelöst durch die Druckluft-Bereitstellungsvorrichtung gemäß Anspruch 1. Die Druckluft-Bereitstellungsvorrichtung verfügt über ein Machine-Learning-Modell und ist ausgebildet, unter Verwendung des Machine-Learning-Modells die Reglerparameter auf Basis von eingegebenen Systemparametern bereitzustellen, die physikalische Eigenschaften eines Systems, in dem die Druckluft-Bereitstellungsvorrichtung verwendet werden soll, beschreiben, und auf Basis der bereitgestellten Reglerparameter die Regelung durchzuführen.
Das Machine-Learning-Modell kann auch als Maschinelles-Lernen-Modell bezeichnet werden und stellt insbesondere eine Abbildung der Systemparameter auf die Reglerparameter dar. Insbesondere approximiert das Machine-Learning-Modell einen nicht-linearen Zusammenhang zwischen den Systemparametern und den Reglerparametern. Das Machine-Learning-Modell beruht beispielsweise auf einer Support-Vector-Regression, einem Regression-Tree und/oder einem künstlichen neuronalen Netz. Vorzugsweise beruht das Machine-Learning-Modell auf einer Regressionsmethode. Das Machine-Learning-Modell ist insbesondere ein Künstliche-Intelligenz-Modell.
Die Systemparameter umfassen beispielsweise eine Abmessung, ein Volumen, eine Masse, eine Reibung, einen Winkel und/oder einen Druck.
Durch die Druckluft-Bereitstellungsvorrichtung wird es insbesondere möglich, dass ein Benutzer für die Anpassung der Reglerparameter an das jeweilige System die Systemparameter in die Druckluft-Bereitstellungsvorrichtung eingibt und die Druckluft-Bereitstellungsvorrichtung dann unter Verwendung des Machine-Learning-Modells selbständig die für die Regelung zu verwendenden Reglerparameter auf Basis der Systemparameter bestimmt. In der Regel kennt der Benutzer die Systemparameter seines Systems oder kann diese ohne großen Aufwand ermitteln. Bevorzugt muss der Benutzer für die Anpassung der Reglerparameter nur die Systemparameter eingeben. Die mittels des Machine-Learning-Modells bereitgestellten Reglerparameter dienen zweckmäßigerweise als Defaultparametrierung für das vorliegende System, insbesondere die vorliegende Applikation.
Vorteilhafte Weiterbildungen sind Gegenstand der Unteransprüche.
Die Erfindung betrifft ferner ein Verfahren zum Betrieb der Druckluft-Bereitstellungsvorrichtung, umfassend die Schritte: Bereitstellen der Reglerparameter auf Basis der eingegebenen Systemparametern unter Verwendung des Machine-Learning-Modells und Durchführen der Regelung auf Basis der bereitgestellten Reglerparameter.
Die Erfindung betrifft ferner ein Verfahren zur Bereitstellung eines Machine-Learning-Modells, umfassend die Schritte:

- Durchführen einer Mehrzahl von Simulationen eines Systems mit einem Regler und einer Regelstrecke für eine Mehrzahl von Satz-Kombinationen aus Systemparameter-Sätzen, die physikalische Eigenschaften des Systems beschreiben, und Reglerparameter-Sätzen, auf deren Basis der Regler eine Regelung der Regelstrecke durchführt, wobei jede Simulation für eine jeweilige Satz-Kombination aus einem Systemparameter-Satz und einem Reglerparameter-Satz durchgeführt wird,
- auf Basis der Simulationen, Berechnen eines jeweiligen Regelungs-Kostenwerts für jede Satz-Kombination,
- Auswählen von Satz-Kombinationen auf Basis der berechneten Regelungs-Kostenwerte,
- Erstellen eines Trainings-Datensatzes auf Basis der ausgewählten Satz-Kombinationen und
- Trainieren des Machine-Learning-Modells mit dem Trainings-Datensatz.

Vorzugsweise enthält der Trainings-Datensatz nur Satz-Kombinationen mit einem niedrigen Regelungs-Kostenwert, also insbesondere einem Regelungs-Kostenwert, der unter einem Grenzwert, insbesondere einem Regelungs-Grenzwert, liegt. Der Trainings-Datensatz umfasst beispielsweise nur Satz-Kombinationen mit einer ausreichenden Güte.
Die Erfindung betrifft ferner ein weiteres Verfahren zur Bereitstellung eines Machine-Learning-Modells, umfassend die Schritte:

- unter Verwendung des Machine-Learning-Modells, Bereitstellen eines Reglerparameter-Satzes auf Basis eines Systemparameter-Satzes, der die physikalischen Eigenschaften eines Systems mit einem Regler und einer Regelstrecke beschreibt,
- Durchführen einer Simulation des Systems, wobei der Regler auf Basis des Reglerparameter-Satzes eine Regelung der Regelstrecke durchführt,
- Berechnen eines Regelungs-Kostenwerts auf Basis der Simulation und
- In Abhängigkeit von dem Regelungs-Kostenwert, Anpassen des Machine-Learning-Modells und Wiederholen der vorstehenden Schritte.

Nachstehend werden exemplarische Details und beispielhafte Ausführungsformen unter Bezugnahme auf die Figuren erläutert. Dabei zeigt:

1 eine schematische Darstellung einer Druckluft-Bereitstellungsvorrichtung,
2 ein Flussdiagramm eines ersten Verfahrens zur Bereitstellung eines Machine-Learning-Modells,
3 ein Blockdiagramm zur Erzeugung von Simulationsdaten,
4 ein Blockdiagramm zum Training eines Machine-Learning-Modells auf Basis von Simulationsdaten,
5 ein Flussdiagramm eines zweiten Verfahrens zur Bereitstellung eines Machine-Learning-Modells,
6 ein Blockdiagramm zur Bereitstellung des Machine-Learning-Modells,
7 eine schematische Darstellung eines pneumatischen Systems und
8 eine schematische Darstellung einer Ventileinrichtung.

Die 1 zeigt eine Druckluft-Bereitstellungsvorrichtung 4, die zur Durchführung einer Regelung, insbesondere einer Positionsregelung und/oder einer Druckregelung, auf Basis von Reglerparametern RP dient. Die Regelung ist insbesondere eine nicht-lineare Regelung. Ferner kann es sich bei der Regelung um eine lineare Regelung handeln.
Exemplarisch umfasst die Druckluft-Bereitstellungsvorrichtung 4 eine Rechnereinheit 53, beispielsweise einen Microcontroller, auf der ein Regler 54, insbesondere ein Regleralgorithmus, ausgeführt wird. Der Regler 54 stellt auf Basis eines Sollwerts SW und insbesondere eines Rückkopplungssignals RKS ein Reglersignal RS bereit. Der Regler 54 wird über die Reglerparameter RP parametrisiert. Bei den Reglerparametern RP handelt es sich beispielsweise um Reglerverstärkungen.
Die Druckluft-Bereitstellungsvorrichtung 4 umfasst exemplarisch eine Ventileinrichtung 21, die über einen Druckausgang 23 verfügt und gemäß dem Reglersignal RS die Druckluft DL an dem Druckausgang 23 ausgibt. Zweckmäßigerweise verfügt die Druckluft-Bereitstellungsvorrichtung 4, insbesondere die Ventileinrichtung 21, über eine Sensoranordnung 56, die das Rückkopplungssignal RKS bereitstellt. Die Sensoranordnung 56 erfasst beispielsweise eine Position und/oder einen Druck.
Die Druckluft-Bereitstellungsvorrichtung 4, insbesondere die Rechnereinheit 53, verfügt über ein Machine-Learning-Modell 55 und ist ausgebildet, unter Verwendung des Machine-Learning-Modells 55 die Reglerparameter RP auf Basis von eingegebenen Systemparametern SP bereitzustellen. Die Systemparameter SP beschreiben die physikalische Eigenschaften eines pneumatischen Systems, beispielsweise des in 7 gezeigten pneumatischen Systems 100 ab, in dem die Druckluft-Bereitstellungsvorrichtung 4 verwendet werden soll. Die Druckluft-Bereitstellungsvorrichtung 4 ist ausgebildet, auf Basis der bereitgestellten Reglerparameter RP die Regelung durchzuführen.
Exemplarisch umfasst die Druckluft-Bereitstellungsvorrichtung 4 eine Schnittstelle 57, insbesondere eine Kommunikationsschnittstelle, über die die Druckluft-Bereitstellungsvorrichtung 4 den Sollwert SW und/oder die Systemparameter SP empfängt. Bevorzugt umfasst die Druckluft-Bereitstellungsvorrichtung 4 eine Benutzerschnittstelle 58 zur Eingabe der Systemparameter SP, insbesondere durch einen Benutzer. Die Benutzerschnittstelle 58 kann beispielsweise eine Benutzeroberfläche, insbesondere eine grafische Benutzeroberfläche, zur Eingabe der Systemparameter SP umfassen.
Bevorzugt umfassen die Systemparameter SP eine Abmessung, ein Volumen, eine Masse, eine Reibung, einen Winkel und/oder einen Druck.
Beispielsweise umfassen die Systemparameter SP einen oder mehrere Abmessungen eines pneumatischen Aktors 2 (gezeigt in 7), insbesondere eines pneumatischen Antriebszylinders, der über die Druckluft-Bereitstellungsvorrichtung 4 angesteuert wird. Beispielsweise umfassen die Systemparameter SP einen Zylinderdurchmesser, eine Zylinderlänge und/oder einen Kolbendurchmesser, insbesondere des pneumatischen Aktors 2.
Ferner können die Systemparameter SP eine oder mehrere Abmessungen einer Schlauchanordnung 28 umfassen. Die Schlauchanordnung 28 stellt eine pneumatische Verbindung zwischen der Druckluft-Bereitstellungsvorrichtung 4 und dem pneumatischen Aktor 2 bereit. Beispielsweise umfassend die Systemparameter eine Schlauchlänge und/oder einen Schlauchinnendurchmesser, insbesondere der Schlauchanordnung 28.
Die Systemparameter SP können ferner eine oder mehrere Reibungen umfassen, die in dem System 100, insbesondere bei dem pneumatischen Aktor 2, auftritt. Beispielsweise umfassen die Systemparameter SP eine coloumbsche Reibung und/oder eine viskose Reibung.
Ferner können die Systemparameter SP ein oder mehrere Totvolumina umfassen, insbesondere ein Totvolumen des pneumatischen Aktors 2. Beispielsweise können die Systemparameter SP ein Totvolumen an einem Abschluss des pneumatischen Aktors 2 und/oder ein Totvolumen an einem Lagerdeckel des pneumatischen Aktors 2 umfassen.
Ferner können die Systemparameter SP ein oder mehrere Massen umfassen. Beispielsweise können die Systemparameter SP eine Eigenmasse, insbesondere des pneumatischen Aktors 2, beispielsweise eine Eigenmasse eines bei der Regelung in Bewegung zu versetzenden Aktorglieds 3 des pneumatischen Aktors 2 und/oder eine Lastmasse, insbesondere eines von dem pneumatischen Aktor 2 bei der Regelung in Bewegung zu versetzenden Lastobjekts, umfassen.
Ferner können die Systemparameter SP einen Mittendruck - also insbesondere ein Druckniveau - der Druckluft und/oder einen Einbauwinkel des pneumatischen Aktors 2 umfassen.
Ferner können die Systemparameter berechnete Systemparameter umfassen, beispielsweise eine Eigenfrequenz und/oder Dämpfung, insbesondere des ungeregelten Systems, und/oder eine oder mehrere Gesamtmassen. Die berechneten Systemparameter können vorzugsweise aus einem oder mehreren der vorstehend genannten Systemparameter berechnet werden. Das Machine-Learning-Modell 55 bildet zweckmäßigerweise die berechneten Systemparameter auf die Reglerparameter ab. Die berechneten Systemparameter sind insbesondere voraggregierte Werte. Vorzugsweise können die voraggregierten Werte als Eingang für das Machine-Learning-Modell 55 verwendet werden.
Bevorzugt umfassen die Systemparameter SP mehrere oder sämtliche der vorstehend genannten Systemparameter.
Das Machine-Learning-Modell umfasst vorzugsweise eine Regressionsmethode, z.B. eine Support-Vector-Regression, ein Regression-Tree und/oder ein künstliches neuronales Netz. Die Support-Vector-Regression, der Regression-Tree und/oder das künstliche neuronale Netz stellt zweckmäßigerweise eine Abbildung der Systemparameter SP auf die Reglerparameter RP bereit. Das Machine-Learning-Modell beruht insbesondere auf Simulationsdaten. Vorzugsweise ist das Machine-Learning-Modell mit Simulationsdaten trainiert, wie nachstehend noch im Detail erläutert wird.
Gemäß einer möglichen Ausgestaltung umfassen die Reglerparameter Koeffizienten der Eigenwerte des geregelten Systems. Das Machine-Learning-Modell bildet die Systemparameter SP auf die Koeffizienten ab. Der Regler 54 stellt auf Basis der Koeffizienten unter Verwendung von Systemgleichungen Reglerverstärkungen bereit und verwendet die Reglerverstärkungen bei der Regelung.
Bevorzugt ist die Druckluft-Bereitstellungsvorrichtung 4 ausgebildet, bei einer Inbetriebnahme das Machine-Learning-Modell 55 anzupassen und unter Verwendung des angepassten Machine-Learning-Modells 55 die Reglerparameter RP für die Regelung bereitzustellen. Beispielsweise ist die Druckluft-Bereitstellungsvorrichtung 4 ausgebildet, bei der Inbetriebnahme der Druckluft-Bereitstellungsvorrichtung 4 (beispielsweise im System 100) eine Lernfahrt durchzuführen, während der Lernfahrt Messwerte aufzunehmen, beispielsweise mit der Sensoranordnung 56, auf Basis der Messwerte das Machine-Learning-Modell 55 anzupassen und mit dem angepassten Machine-Learning-Modell 55 die Reglerparameter RP auf Basis der Systemparameter SP bereitzustellen und die bereitgestellten Reglerparameter RP für die Regelung zu verwenden.
Der Regler 54 verfügt vorzugsweise über ein Reglermodell, mit dem die Regelung bereitgestellt wird. Das Reglermodell ist vorzugsweise ein System wenigstens 2. Ordnung oder wenigstens 3. Ordnung. Exemplarisch ist das Reglermodell ein System 3. Ordnung. Über die Reglerparameter wird das Reglermodell, insbesondere das System 3. Ordnung, parametrisiert. Beispielsweise umfassen die Reglerparameter einen ersten Reglerparameter, einen zweiten Reglerparameter und/oder einen dritten Reglerparameter. Der erste Reglerparameter und/oder der zweite Reglerparameter stellen zweckmäßigerweise jeweils eine Eigenfrequenz des geregelten Systems dar. Exemplarisch stellt der erste Reglerparameter eine erste Eigenfrequenz des geregelten Systems und/oder der zweite Reglerparameter eine (insbesondere von der ersten Eigenfrequenz verschiedene) zweite Eigenfrequenz des geregelten Systems dar. Der dritte Reglerparameter stellt vorzugsweise eine Dämpfung des geregelten Systems dar. Der Regler 54 stellt insbesondere eine nicht-lineare Regelung bereit und ist zweckmäßigerweise kein PID-Regler. Die Reglerparameter RP werden zweckmäßigerweise im laufenden Normalbetrieb (insbesondere außerhalb der Inbetriebnahme) der Druckluft-Bereitstellungsvorrichtung 4 nicht verändert.
Wie in der 1 gezeigt, können optional die Systemparameter SP dem Regler 54 (insbesondere direkt) bereitgestellt werden, so dass der Regler 54 die Systemparameter SP bei der Durchführung der Regelung berücksichtigt.
Bevorzugt umfasst die Druckluft-Bereitstellungsvorrichtung 4 ein Feldgerät, insbesondere eine Ventilinsel und/oder ein Ventilmodul. Das Machine-Learning-Modell ist zweckmäßigerweise in dem Feldgerät, insbesondere in der Ventilinsel und/oder dem Ventilmodul vorhanden. Die Bereitstellung der Reglerparameter RP unter Verwendung des Machine-Learning-Modells erfolgt vorzugsweise in der Feldebene.
Die Druckluft-Bereitstellungsvorrichtung 4 kann insbesondere gemäß einem Verfahren mit den folgenden Schritten betrieben werden: In einem ersten optionalen Schritt werden die Systemparameter SP in die Druckluft-Bereitstellungsvorrichtung 4 eingegeben, insbesondere durch einen Benutzer. In einem weiteren Schritt werden unter Verwendung des Machine-Learning-Modells 55 die Reglerparameter RP auf Basis der eingegebenen Systemparametern SP bereitgestellt, insbesondere berechnet. In einem weiteren Schritt wird die Regelung auf Basis der bereitgestellten Reglerparameter RP durchgeführt.
Unter Bezugnahme auf die 2, 3 und 4 soll im Folgenden auf ein Verfahren zur Bereitstellung eines Machine-Learning-Modells, insbesondere des vorstehend erläuterten Machine-Learning-Modells 55, eingegangen werden. Das Verfahren soll auch als erstes Verfahren oder als Supervised-Learning-Verfahren bezeichnet werden. Bei dem ersten Verfahren werden zunächst Simulationsdaten 64 erzeugt und dann das Machine-Learning-Modell 55 mit den erzeugten Simulationsdaten 64 trainiert. Die 2 zeigt ein Flussdiagramm des ersten Verfahrens. Die 3 zeigt ein Blockdiagramm zur Erzeugung der Simulationsdaten 64 und die 4 zeigt ein Bockdiagramm zum Training des Machine-Learning-Modells 55. Das erste Verfahren wird zweckmäßigerweise auf einem Simulationsrechner ausgeführt und erfolgt insbesondere rein virtuell.
Das Verfahren umfasst einen ersten Schritt S11, bei dem eine Mehrzahl von Simulationen eines Systems 60 für eine Mehrzahl aus Satz-Kombinationen aus Systemparameter-Sätzen SPS und Reglerparameter-Sätzen RPS durchgeführt wird. Insbesondere werden die Simulationen für verschiedene Systemkonfigurationen des Systems 60 durchgeführt. Das System 60 umfasst einen Regler 54, insbesondere den vorstehend erläuterten Regler 54, und eine Regelstrecke 61. Beispielsweise ist das System 60 das nachstehend erläuterte pneumatische System 100. Die Regelstrecke 61 umfasst beispielsweise die Ventileinrichtung 21 und/oder den pneumatischen Aktor 2. Jeder Systemparameter-Satz SPS definiert eine andere Systemkonfiguration des Systems 60. Jeder Systemparameter-Satz SPS umfasst mehrere Systemparameter SP, insbesondere die vorstehend erläuterten Systemparameter SP. Die Systemparameter SP beschreiben die physikalischen Eigenschaften des System 60, insbesondere die physikalischen Eigenschaften der jeweils zu simulierenden Systemkonfiguration des Systems 60. Bei den Simulationen wird das System 60 durch die Systemparameter SP modelliert. Insbesondere beschreiben die Systemparameter SP die physikalischen Eigenschaften der Regelstrecke 61.
Jeder Reglerparameter-Satz RPS umfasst mehrere Reglerparameter RP, insbesondere die vorstehend erläuterten Reglerparameter RP. Bei den Simulationen wird eine von dem Regler 54 auf Basis der Reglerparameter RP durchgeführte Regelung simuliert. Die Regelung ist also eine simulierte Regelung, insbesondere eine simulierte nicht-lineare Regelung. Die simulierte Regelung ist beispielsweise eine simulierte Positionsregelung oder eine simulierte Druckregelung. Insbesondere ist bei den Simulationen das Reglermodell des Reglers 54 mit den Reglerparametern RP parametrisiert. Bei jeder der Simulationen wird simuliert, wie der Regler 54 auf Basis des jeweiligen Reglerparameter-Satzes RPS eine Regelung der durch den jeweiligen Systemparameter-Satz SPS definierten Systemkonfiguration des Systems 60, insbesondere der durch den Systemparameter-Satz SPS definierten Regelstrecke 61, durchführt. Beispielsweise wird bei jeder Simulation eine Regelung auf Basis eines an den Regler 54 ausgegebenen Sollwerts SW simuliert und es wird auf Basis der simulierten Regelung eine Regelqualitätsgröße berechnet, die die Qualität der simulierten Regelung anzeigt. Als Regelqualitätsgröße wird beispielsweise eine Regelgüte berechnet. Insbesondere wird als Regelqualitätsgröße der (simulierte) Regelfehler RF und/oder das (simulierte) Rückkopplungssignal RKS berechnet. Der Regelfehler RF ergibt sich exemplarisch als Differenz des Sollwerts SW und des Rückkopplungssignals RKS. Das Rückkopplungssignal RKS wird exemplarisch von der (simulierten) Regelstrecke 61 ausgegeben.
Jede Simulation wird für eine jeweilige Satz-Kombination aus einem Systemparameter-Satz SPS und einem Reglerparameter-Satz RPS durchgeführt. Bei jeder Simulation des Systems 60 wird für eine jeweilige Satz-Kombination aus einem Systemparameter-Satz SPS und einem Reglerparameter-Satz RPS eine jeweilige Regelqualitätsgröße berechnet.
Als Ergebnis der Simulationen ergeben sich Simulationsergebnisdaten mit einer Mehrzahl von Einträgen, wobei für jede Simulation ein Eintrag vorhanden ist und jeder Eintrag die bei der jeweiligen Simulation verwendete Satz-Kombination aus dem jeweiligen Systemparameter-Satz SPS und dem jeweiligen Reglerparametersatz RPS anzeigt, insbesondere umfasst, sowie die dieser Satz-Kombination jeweils zugehörige Regelqualitätsgröße. Exemplarisch umfasst jeder Systemparameter-Satz SPS wenigstens 5, wenigstens 10 oder wenigstens 15 Systemparameter SP. Ferner umfasst exemplarisch jeder Reglerparameter-Satz RPS wenigstens 2 oder wenigstens 3 Reglerparameter, insbesondere genau 3 Reglerparameter.
Das erste Verfahren umfasst einen zweiten Schritt S12, bei dem auf Basis der Simulationen für jede Satz-Kombination (aus einem jeweiligen Systemparameter-Satz SPS und einem Reglerparameter-Satz RPS) ein jeweiliger Regelungs-Kostenwert RKW berechnet wird. Zweckmäßigerweise ist eine Kostenfunktion 63 vorhanden, die den Regelungs-Kostenwert RKW berechnet, insbesondere auf Basis der Regelqualitätsgröße. Jeder Regelungs-Kostenwert RKW zeigt die Qualität der bei einer jeweiligen Simulation simulierten Regelung an. Jeder Regelungs-Kostenwert RKW ist also ein Maß dafür, wie gut der bei der jeweiligen Simulation verwendete Reglerparamter-Satz RPS zu dem jeweiligen Systemparameter-Satz passt. Je besser die Regelung - also je höher die Regelgüte oder je niedriger der Regelfehler - desto niedriger ist der Regelungs-Kostenwert RKW. Ein niedriger Regelungs-Kostenwert RKW zeigt also an, dass ein Reglerparameter-Satz und ein Systemparameter-Satz gut zusammenpassen.
Vorzugsweise werden in einem Schritt S19 die Reglerparametersätze RPS auf Basis der Regelungs-Kostenwerte RKW angepasst, insbesondere optimiert. Auf Basis der angepassten Reglerparametersätze RPS erfolgt ein erneutes Durchführen der Simulationen gemäß dem Schritt S11. Auf Basis der Simulationen erfolgt ein erneutes Berechnen von Regelungs-Kostenwerten (RKW) gemäß Schritt S12. Bevorzugt werden die für die (im Schritt S11 durchgeführten) Simulationen verwendeten Reglerparameter-Sätze RPS unter Verwendung eines Optimierungsalgorithmus 62, beispielsweise eines Gradienten-basierten Optimierungsalgorithmus erzeugt und/oder angepasst, insbesondere optimiert. Als Optimierungsalgorithmus wird beispielsweise fmincon von Matlab eingesetzt. Der Optimierungsalgorithmus 62 ist insbesondere ausgebildet, die Reglerparameter-Sätze RPS so bereitzustellen, dass der Regelungs-Kostenwert RKW minimiert wird. Exemplarisch wird der Regelungs-Kostenwert RKW dem Optimierungsalgorithmus 62 zugeführt. Exemplarisch wird dem Optimierungsalgorithmus 62 ferner ein Initial-Regelparameter-Satz IRPS zugeführt, auf dessen Basis der Optimierungsalgorithmus 62 einen ersten Regelparameter-Satz für eine erste Simulation bereitstellt. Beispielsweise ist der erste Regelparameter-Satz für die erste Simulation der Initial-Regelparameter-Satz IRPS. Ferner kann der erste Regelparameter-Satz zufällig bestimmt, insbesondere initialisiert, werden. Die Regelparameter-Sätze RPS für die nachfolgenden Simulationen erzeugt der Optimierungsalgorithmus 62 zweckmäßigerweise jeweils auf Basis der zuletzt durchgeführten Simulation, insbesondere auf Basis des Regelungs-Kostenwerts RKW der zuletzt durchgeführten Simulation. Vorzugsweise erfolgt eine iterative Anpassung, insbesondere Optimierung, des Regelparameter-Satzes RPS auf Basis des Regelungs-Kostenwerts RKW. Die Anpassung der Regelparameter-Sätze RPS gemäß Schritt S19, die Durchführung der Simulationen auf Basis der angepassten Regelparameter-Sätze RPS und die Berechnung der Regelungs-Kostenwerte RKW gemäß Schritt S12 werden vorzugsweise mehrmals wiederholt, insbesondere wenigstens 10, wenigstens 50, wenigstens 100 oder wenigstens 500 Mal.
Das erste Verfahren umfasst einen dritten Schritt S13, bei dem simulierte Satz-Kombinationen (aus jeweils einem Systemparameter-Satz SPS und einem Reglerparameter-Satz RPS) auf Basis der berechneten Regelungs-Kostenwerte RKW ausgewählt werden. Auf Basis der ausgewählten Satz-Kombinationen werden die Simulationsdaten 64 bereitgestellt, die die ausgewählten Satz-Kombinationen umfassen. Die Simulationsdaten 64 umfassen eine Mehrzahl von Einträgen, wobei jeder Eintrag einen Simulationsparameter-Satz SPS und einen zugehörigen Reglerparameter-Satz RPS umfasst.
Exemplarisch ist eine Auswahlfunktion 65 vorhanden, die jeden Regelungs-Kostenwert RKW mit einem ersten Grenzwert vergleicht. Satz-Kombinationen (aus jeweils einem Systemparameter-Satz SPS und einem Reglerparameter-Satz RPS), deren Regelungs-Kostenwert RKW kleiner als der erste Grenzwert ist, werden den Simulationsdaten 64 hinzugefügt. Satz-Kombinationen (aus jeweils einem Systemparameter-Satz SPS und einem Reglerparameter-Satz RPS), deren Regelungs-Kostenwert RKW nicht kleiner als der erste Grenzwert ist, werden verworfen und den Simulationsdaten 64 nicht hinzugefügt.
Das erste Verfahren umfasst einen vierten Schritt S14, bei dem auf Basis des Simulationsdatensatzes 64, insbesondere auf Basis der ausgewählten Satz-Kombinationen, ein Trainings-Datensatz 66 erstellt wird. Der Trainings-Datensatz 66 umfasst zweckmäßigerweise eine Teilmenge der in den Simulationsdaten 64 enthaltenen Satz-Kombinationen oder sämtliche in den Simulationsdaten 64 enthaltene Satz-Kombinationen. Der Trainingsdatensatz 66 umfasst insbesondere eine Mehrzahl von Einträgen, wobei jeder Eintrag einen jeweiligen Systemparameter-Satz SPS und einen zugehörigen Reglerparameter-Satz RPS umfasst.
Bevorzugt wird ferner ein Test-Datensatz 71 auf Basis der ausgewählten Satz-Kombinationen - also auf Basis der in den Simulationsdaten 64 enthaltenen Satz-Kombination aus Systemparameter-Sätzen und Reglerparameter-Sätzen - erstellt. Der Test-Datensatz 71 umfasst zweckmäßigerweise eine Teilmenge in den Simulationsdaten 64 enthaltenen Satz-Kombinationen oder sämtliche in den Simulationsdaten 64 enthaltene Satz-Kombinationen. Insbesondere umfasst der Test-Datensatz 71 eine andere Teilmenge an Satz-Kombinationen als der Trainings-Datensatz 66. Der Test-Datensatz 66 umfasst insbesondere eine Mehrzahl von Einträgen, wobei jeder Eintrag einen jeweiligen Systemparameter-Satz SPS und einen zugehörigen Reglerparameter-Satz RPS umfasst.
Das erste Verfahren umfasst einen fünften Schritt S15, bei dem das Machine-Learning-Modell 55 mit dem Trainings-Datensatz 66 trainiert wird. Exemplarisch ist ein Lernalgorithmus 67 vorhanden, der unter Verwendung des Trainings-Datensatzes 66 das Machine-Learning-Modell 55 trainiert. Bei dem Training werden Regressionsparameter des Machine-Learning-Modells 55, insbesondere der Support-Vector-Regression, des Regression-Tree und/oder des künstlichen neuronalen Netzwerks, angepasst, insbesondere optimiert. Die Regressionsparameter umfassen insbesondere Gewichte, beispielsweise im künstlichen neuronalen Netz. Ferner können bei dem Training Hyperparameter des Machine-Learning-Modells 55 angepasst, insbesondere optimiert werden. Die Hyperparameter umfassen beispielsweise die Anzahl von Neuronen und/oder die Anzahl von Schichten, insbesondere des künstlichen neuronalen Netzes. Insbesondere trainiert der Lernalgorithmus 67 das Machine-Learning-Modell 55 so, dass der Unterschied zwischen Reglerparametern RP, die von dem Machine-Learning-Modell 55 auf Basis der Systemparameter SP des Trainings-Datensatzes 66 berechnet werden, und den Reglerparametern, die in dem Trainings-Datensatz 66 enthalten sind, minimiert werden.
Exemplarisch verfügt der Lernalgorithmus 67 über eine Lernalgorithmus-Kostenfunktion, mit der der Lernalgorithmus den Unterschied zwischen den berechneten Reglerparametern und den Reglerparametern des Training-Datensatzes 66 berechnet. Der Unterschied wird insbesondere als Summe der Quadrate der Differenzen aus berechneten Reglerparametern und Reglerparametern des Trainings-Datensatzes berechnet. Die Lernalgorithmus-Kostenfunktion berechnet insbesondere einen „Mean Squared Error“, also eine mittlere quadratische Abweichung zwischen berechneten Reglerparametern und Reglerparametern des Trainings-Datensatzes.
Exemplarisch umfasst das erste Verfahren ferner einen sechsten Schritt S16, bei dem das trainierte Machine-Learning-Modell 55 unter Verwendung des Test-Datensatzes 71 getestet wird. Exemplarisch ist die Evaluierungsfunktion 70 vorhanden, die das trainierte Machine-Learning-Modell 55 mit dem Test-Datensatz 71 testet. Insbesondere führt die Evaluierungsfunktion 70 dem Machine-Learning-Modell 55 die Systemparameter-Sätze SPS des Test-Datensatzes 71 zu, so dass das Machine-Learning-Modell 55 auf Basis der Systemparameter-Sätze SPS Reglerparameter-Sätze berechnet. Die Evaluierungsfunktion 70 umfasst zweckmäßigerweise eine Evaluierungs-Kostenfunktion, mit der ein Evaluierungs-Kostenwert berechnet wird, der insbesondere den Unterschied zwischen den berechneten Reglerparametern und den Reglerparametern des Test-Datensatzes 71 anzeigt. Der Evaluierungs-Kostenwert wird insbesondere als Summe der Quadrate der Differenzen aus berechneten Reglerparametern und Reglerparametern des Test-Datensatzes 71 berechnet. Die Evaluierungs-Kostenfunktion berechnet insbesondere einen „Mean Squared Error“, also eine mittlere quadratische Abweichung zwischen berechneten Reglerparametern und Reglerparametern des Test-Datensatzes.
Bevorzugt erfolgt ein Anpassen des Machine-Learning-Modells, insbesondere der Regressionsparameter, in Abhängigkeit des Ergebnisses des Testens des trainierten Machine-Learning-Modells. Ferner kann ein Anpassen von Hyperparametern des Machine-Learning-Modells 55 erfolgen, insbesondere in Abhängigkeit des Ergebnisses des Testens des trainierten Machine-Learning-Modells.
Exemplarisch ist eine Vergleichsfunktion 69 vorhanden, die den Evaluierungs-Kostenwert mit einem zweiten Grenzwert vergleicht. Sofern der Evaluierungs-Kostenwert größer als der zweite Grenzwert ist, fährt das Verfahren mit dem siebten Schritt S17 fort. Sofern der Evaluierungs-Kostenwert kleiner als der zweite Grenzwert ist, fährt das Verfahren mit dem achten Schritt S18 fort.
Im siebten Schritt S17 wird das Training des Machine-Learning-Modells 55 angepasst, exemplarisch über eine Lernalgorithmus-Anpassungsfunktion 68, die den Lernalgorithmus, insbesondere Hyperparameter des Lernalgorithmus, anpasst, exemplarisch auf Basis des Ergebnisses der Vergleichsfunktion 69 und/oder des Ergebnisses der Evaluierungsfunktion 70. Das Verfahren kehrt dann zu dem Schritt S15 zurück. Die Anpassung des Trainings, das Training des Machine-Learning-Modells und das Testen des Machine-Learning-Modells wird zweckmäßigerweise solange wiederholt, bis der Evaluierungs-Kostenwert kleiner als der zweite Grenzwert ist.
Vorzugsweise erfolgt eine iterative Anpassung des Trainings und/oder des Machine-Learning-Modells, insbesondere in Abhängigkeit von dem Evaluierungs-Kostenwert. Die Anpassung des Trainings des Machine-Learning-Modells 55 gemäß Schritt S17, das Trainieren des Machine-Learning-Modells 55 gemäß Schritt S15 und das Testen des Machine-Learning-Modells 55 gemäß Schritt S16 werden vorzugsweise mehrmals wiederholt, insbesondere wenigstens 10, wenigstens 50, wenigstens 100 oder wenigstens 500 Mal.
Im achten Schritt S18 wird das Training beendet und das Machine-Learning-Modell 55 wird bereitgestellt, beispielsweise auf einer Reglervorrichtung 72. Die Reglervorrichtung 72 ist beispielsweise die Druckluft-Bereitstellungsvorrichtung 4.
Bei dem vorstehend erläuterten ersten Verfahren, also bei dem Supervised-Learning-Verfahren, gibt es also zwei Phasen: eine Datengenerierungsphase, bei der die Simulationsdaten 64 erzeugt werden, und eine Trainingsphase, bei der das Machine-Learning-Modell 55 mit den Simulationsdaten 64 trainiert wird. In der Datengenerierungsphase wird ein Optimierer - der Optimierungsalgorithmus 62 - eingesetzt, der zu einer konkreten Systemkonfiguration (definiert über den Systemparameter-Satz SPS) einen möglichst optimalen Reglerparameter-Satz RPS bestimmt. Exemplarisch wird hierzu die Kostenfunktion 63 durch die Reglerparameter minimiert. Für den Optimierungsalgorithmus 62, insbesondere die Minimierung, wird zweckmäßigerweise ein numerisches Verfahren verwendet (und insbesondere kein Machine-Learning-Verfahren oder Künstliches-Intelligenz-Verfahren). In der Trainingsphase werden die Simulationsdaten 64 (identifizierte Reglerparameter für konkrete Systemkonfigurationen) genutzt, um darauf eine Regressionsmethode - das Machine-Learning-Modell 55 - zu trainieren.
In der Datengenerierungsphase wird als das System 60 exemplarisch ein simulationsfähiges Gesamtsystem aus dem Regler 54 und der Regelstrecke 61 numerisch simuliert. Die Systemparameter der Systemparameter-Sätze SPS, auf deren Basis die Simulationen erfolgen, werden variiert, insbesondere durch Unterstützung von Versuchsplänen und/oder statistikbasiert. Der Optimierungsalgorithmus 62 führt vorzugsweise eine numerische Optimierung der Reglerparameter-Sätze RPS für die unterschiedlichen Systemparameter-Sätze SPS durch.
Für die Trainingsphase werden vorzugsweise nur „gute“ Daten der Datengenerierungsphase verwendet, also Daten, bei denen die Kostenfunktion 63, die zur Auswertung der Simulationsergebnisdaten verwendet wird, unter dem ersten Grenzwert liegt. Die daraus resultierenden Daten - die Simulationsdaten 64 - können beispielsweise in zwei Matrizen aufgeteilt werden. Eine erste Matrix, die alle Systemparameter-Sätze der Simulationsdaten enthält und eine zweite Matrix, die die den Systemparameter-Sätzen zugeordneten Reglerparameter-Sätze enthält. Die Simulationsdaten, insbesondere die beiden Matrizen, werden zweckmäßigerweise in den Trainings-Datensatz 66 und den Test-Datensatz 71 unterteilt. Der Trainings-Datensatz 66 wird zum Lernen der Regressionsparameter des Machine-Learning-Modells 55 verwendet. Der Test-Datensatz 71 wird für die Evaluierung der gelernten Regressionsparameter genutzt und kann zusätzlich zur Bestimmung geeigneter Hyperparameter genutzt werden. Beispielsweise werden mit dem Trainings-Datensatz 66 mehrere Machine-Learning-Modelle 55 trainiert und dasjenige Machine-Learning-Modell 55 mit dem geringsten Evaluierungs-Kostenwert wird ausgewählt und bereitgestellt, insbesondere auf der Reglervorrichtung 72.
Unter Bezugnahme auf die 5 und 6 soll im Folgenden auf ein weiteres Verfahren zur Bereitstellung eines Machine-Learning-Modells, insbesondere des vorstehend erläuterten Machine-Learning-Modells 55, eingegangen werden. Das weitere Verfahren soll auch als zweites Verfahren oder als Adaptive-Learning-Verfahren bezeichnet werden. Bei dem zweiten Verfahren werden von (einem initial bereitgestellten) Machine-Learning-Modell 55 berechnete Reglerparameter-Sätze mittels Simulationen eines Systems 60 überprüft und das Machine-Learning-Modell 55 wird auf Basis der Simulationen angepasst. Die 5 zeigt ein Flussdiagramm des zweiten Verfahrens. Die 6 zeigt ein Blockdiagramm zu dem zweiten Verfahren. Das zweite Verfahren wird zweckmäßigerweise auf einem Simulationsrechner ausgeführt und erfolgt insbesondere rein virtuell.
Das zweite Verfahren umfasst einen ersten Schritt S21, bei dem unter Verwendung des Machine-Learning-Modells 55 ein Reglerparameter-Satz RPS auf Basis eines Systemparameter-Satzes SPS bereitgestellt, insbesondere berechnet, wird. Exemplarisch wird als das Machine-Learning-Modell 55 zunächst (insbesondere bei der ersten Durchführung des ersten Schritts S21) ein initiales Machine-Learning-Modell eingesetzt, das beispielsweise auf zufälligen Parametern, insbesondere zufälligen Regressionsparametern, basiert.
Der Systemparameter-Satz SPS umfasst Systemparameter SP, die die physikalischen Eigenschaften eines Systems 60 beschreiben. Die Systemparameter SP sind beispielsweise die vorstehend erläuterten Systemparameter SP. Das System 60 umfasst einen Regler 54, insbesondere den vorstehend erläuterten Regler 54, und eine Regelstrecke 61. Beispielsweise ist das System 60 das nachstehend erläuterte pneumatische System 100. Die Regelstrecke 61 umfasst beispielsweise die Ventileinrichtung 21 und/oder den pneumatischen Aktor 2.
Das zweite Verfahren umfasst ferner einen zweiten Schritt S22A, bei dem eine Simulation des Systems 60 durchgeführt wird. Bei der Simulation wird simuliert, wie der Regler 64 auf Basis des Reglerparameter-Satzes RPS eine Regelung der Regelstrecke 61 durchführt. Bei der Simulation wird das System 60 mit den Systemparametern SP modelliert. Insbesondere beschreiben die Systemparameter SP die physikalischen Eigenschaften der Regelstrecke 61. Der Reglerparameter-Satz RPS umfasst mehrere Reglerparameter RP, insbesondere die vorstehend erläuterten Reglerparameter RP. Bei der Simulation erfolgt die von dem Regler 54 durchgeführte Regelung auf Basis der Reglerparameter RP. Die Regelung ist eine simulierte Regelung, insbesondere eine simulierte nicht-lineare Regelung. Die simulierte Regelung ist beispielsweise eine simulierte Positionsregelung oder eine simulierte Druckregelung. Insbesondere ist bei der Simulation das Reglermodell des Reglers 54 mit den Reglerparametern RP parametrisiert. Bei der Simulation wird simuliert, wie der Regler 54 auf Basis des Reglerparameter-Satzes RPS eine Regelung des durch den Systemparameter-Satz SPS definierten Systems 60, insbesondere der durch den Systemparameter-Satz definierten Regelstrecke 61, durchführt. Beispielsweise wird bei der Simulation eine Regelung auf Basis eines an den Regler 54 ausgegebenen Sollwerts SW simuliert und es wird auf Basis der simulierten Regelung eine Regelqualitätsgröße berechnet, die die Qualität der simulierten Regelung anzeigt. Als Regelqualitätsgröße wird beispielsweise eine Regelgüte berechnet. Insbesondere wird als Regelqualitätsgröße der (simulierte) Regelfehler RF und/oder das (simulierte) Rückkopplungssignal RKS berechnet. Der Regelfehler RF ergibt sich exemplarisch als Differenz des Sollwerts SW und des Rückkopplungssignals RKS. Das Rückkopplungssignal RKS wird exemplarisch von der (simulierten) Regelstrecke 61 ausgegeben.
Alternativ oder zusätzlich zu dem zweiten Schritt S22A kann auch ein abgewandelter zweiter Schritt S22B durchgeführt werden, bei dem eine reale Regelung (also keine simulierte Regelung) der Regelstrecke 61 durch den Regler 54 auf Basis des Reglerparameter-Satzes RPS durchgeführt wird. Die Regelstrecke 61 ist eine reale - also eine physisch vorhandene Regelstrecke. Bei dem zweiten Schritt S22B beschreibt der verwendete Systemparameter-Satz SPS das reale System, beispielsweise das System 100, auf dem die Regelung abläuft. Unter Verwendung des Schritts S22B kann das zweite Verfahren beispielsweise auf einer Ziel-Hardware umgesetzt werden, indem die (nachstehend erläuterte) Kostenfunktion 63 direkt für den realen Aufbau ausgewertet wird. Dadurch lassen sich weitere Funktionen, wie z.B. ein Fine-Tuning an einer konkreten Applikation, umsetzen. Insbesondere können mittels des zweiten Schritts S22B Optimierungen am realen System für eine konkrete Applikation durchgeführt werden.
Bevorzugt werden die Schritte S21 und S22A (und/oder S22B) für eine Mehrzahl von verschiedenen Systemparameter-Sätzen durchgeführt.
Das zweite Verfahren umfasst einen dritten Schritt S23, bei dem ein Regelungs-Kostenwerts auf Basis der Simulation (oder der Simulationen, sofern mehrere Simulationen durchgeführt werden) berechnet wird. Sofern der Schritt S22B ausgeführt wird, kann der Regelungs-Kostenwert auf Basis der realen Regelung bestimmt werden. Zweckmäßigerweise ist eine Kostenfunktion 63 vorhanden, die den Regelungs-Kostenwert RKW berechnet, insbesondere auf Basis der Regelqualitätsgröße. Der Regelungs-Kostenwert RKW zeigt die Qualität der bei der Simulation simulierten Regelung und/oder die Qualität der realen Regelung an. Der Regelungs-Kostenwert RKW ist also ein Maß dafür, wie gut der bei der Simulation (und/oder bei der realen Regelung) verwendete Reglerparamter-Satz RPS zu dem Systemparameter-Satz passt. Je besser die Regelung - also je höher die Regelgüte oder je niedriger der Regelfehler - desto niedriger ist der Regelungs-Kostenwert RKW. Ein niedriger Regelungs-Kostenwert RKW zeigt also an, dass ein Reglerparameter-Satz und ein Systemparameter-Satz gut zusammenpassen.
Optional kann ein gradientenbasiertes Optimierungsverfahren verwendet werden. In diesem Fall werden zweckmäßigerweise mehrere Simulationen durchgeführt, um einen Gradienten der Kostenfunktion oder des Regelungs-Kostenwerts zu bestimmen, insbesondere numerisch und/oder abhängig von dem Reglerparameter-Satz.
In Abhängigkeit von dem Regelungs-Kostenwert erfolgt ein Anpassen des Machine-Learning-Modells 55 und ein Wiederholen der vorstehenden Schritte S21, S22A (und/oder S22B) und S23. Die Schritte S21, S22A (und/oder S22B) und S23 werden solange wiederholt, bis ein Abbruchkriterium erfüllt ist, beispielsweise, bis der Regelungs-Kostenwert kleiner als ein Grenzwert ist.
Exemplarisch ist eine Beurteilungsfunktion 73 vorhanden, die anhand des Regelungs-Kostenwerts beurteilt, ob das Machine-Learning-Modell 55 in seinem aktuellen Zustand bereitgestellt werden soll oder ob das Machine-Learning-Modell 55 weiter angepasst werden muss. Beispielsweise prüft die Beurteilungsfunktion 73 anhand des Regelungs-Kostenwerts, ob ein Abbruchkriterium für das Anpassen des Machine-Learning-Modells 55 erfüllt ist. Beispielsweise wird der Regelungs-Kostenwert oder ein Gradient des Regelungs-Kostenwerts mit einem Grenzwert verglichen. Sofern der Regelungs-Kostenwert (oder der Gradient des Regelungs-Kostenwerts) größer als der Grenzwert ist, fährt das Verfahren mit dem vierten Schritt S24 fort. Sofern der Regelungs-Kostenwert (oder der Gradient des Regelungs-Kostenwerts) kleiner als der zweite Grenzwert ist, fährt das Verfahren mit dem fünften Schritt S25 fort.
Im vierten Schritt S24 wird das Machine-Learning-Modell 55 angepasst, exemplarisch werden Regressionsparameter des Machine-Learning-Modells 55 angepasst. Insbesondere werden Regressionsparameter einer Support-Vector-Regression, eines Regression-Tree und/oder eines künstlichen neuronalen Netzwerks des Machine-Learning-Modells 55 angepasst. Exemplarisch ist eine Anpassungsfunktion 74 vorhanden, die die Anpassung des Machine-Learning-Modells 55 durchführt. Die Anpassungsfunktion 74 setzt zweckmäßigerweise ein Optimierungsverfahren ein, beispielsweise eine Methode des steilsten Anstiegs. Das Verfahren kehrt dann zu dem Schritt S21 zurück. Die Schritte S21, S22A (und/oder S22B), S23 und S24 werden zweckmäßigerweise solange wiederholt, bis das Abbruchkriterium erfüllt ist, also beispielsweise, bis der Regelungs-Kostenwert kleiner als der zweite Grenzwert ist.
Vorzugsweise erfolgt eine iterative Anpassung des Machine-Learning-Modells, insbesondere in Abhängigkeit von dem Regelungs-Kostenwert. Die Anpassung des Machine-Learning-Modells gemäß Schritt S24, das Bereitstellen des Reglerparameter-Satzes gemäß Schritt S21, das Durchführen einer Simulation gemäß Schritt S22A und/oder das Durchführen einer Regelung gemäß Schritt S22B und das Berechnen des Regelungs-Kostenwerts gemäß Schritt S23 werden vorzugsweise mehrmals wiederholt, insbesondere wenigstens 10, wenigstens 50, wenigstens 100 oder wenigstens 500 Mal.
Im fünften Schritt S25 wird das Verfahren beendet und das Machine-Learning-Modell 55 wird bereitgestellt, beispielsweise auf einer Reglervorrichtung 72. Die Reglervorrichtung 72 ist beispielsweise die Druckluft-Bereitstellungsvorrichtung 4.
Bei dem vorstehend beschriebenen zweiten Verfahren, also bei dem Adaptive-Learning-Verfahren, wird zur Bestimmung von Regressionsparametern des Machine-Learning-Modells 55 die Kostenfunktion 63 minimiert. Diese Kostenfunktion 63 bildet direkt die Regler-Performance des Reglers 54 ab, indem beispielsweise Positionierungenauigkeiten bestraft werden. Für die Bestimmung der Regler-Performance wird die Simulation durchgeführt.
Das zweite Verfahren umfasst zweckmäßigerweise keinen Schritt, bei dem eine Kostenfunktion einer Reglerparameterabweichung berechnet wird.
Bei dem zweiten Verfahren wird insbesondere kein Trainings-Datensatz erzeugt. Bevorzugt wird bei der ersten Durchführung des Schritts S21 ein Machine-Learning-Modell eingesetzt, das noch nicht trainiert ist.
Alternativ kann bei der ersten Durchführung des Schritts S21 das Machine-Learning-Modell 55 eingesetzt werden, das durch das erste Verfahren erhalten wird - also insbesondere ein Machine-Learning-Modell, das bereits mit dem Trainings-Datensatz trainiert wurde. Bevorzugt wird also das in dem zweiten Verfahren verwendete Machine-Learning-Modell unter Verwendung des ersten Verfahrens bereitgestellt.
Das mittels des ersten und/oder des zweiten Verfahrens bereitgestellte Machine-Learning-Modell 55 wird bevorzugt in der Druckluft-Bereitstellungsvorrichtung 4 eingesetzt.
Unter Bezugnahme auf die 7 soll nachstehend ein System 100 erläutert werden. Das System 100 umfasst die Druckluft-Bereitstellungsvorrichtung 4, einen pneumatischen Aktor 2 und eine Schlauchanordnung 28. Das System 100 stellt eine exemplarische Anwendungsumgebung für die Druckluft-Bereitstellungsvorrichtung 4 dar. Die Druckluft-Bereitstellungsvorrichtung 4 kann auch für sich genommen - also ohne den pneumatischen Aktor 3 und/oder die Schlauchanordnung 28 - bereitgestellt werden.
Die Druckluft-Bereitstellungsvorrichtung 4 umfasst die exemplarisch als Ventilinsel ausgebildete Ventilanordnung 14, über die Druckluft für die Regelung, insbesondere die Positionsregelung und/oder die Druckregelung, beispielsweise des Aktors 2, bereitgestellt wird. Die Regelung erfolgt auf Basis der mit dem Machine-Learning-Modell 55 bereitgestellten Reglerparameter RP. Bei der Ventilanordnung 14 muss es sich nicht zwingend um eine Ventilinsel handeln. Die Ventilanordnung 14 kann beispielsweise auch als Einzelventil oder als andere Ventileinheit ausgeführt sein.
An der Ventilanordnung 14 sind zwei Druckausgänge 23, 24 zur Bereitstellung der Druckluft vorhanden. Jeder der beiden Druckausgänge 23, 24 ist mit einer jeweiligen Druckkammer 8, 9 des pneumatischen Aktors 2 pneumatisch verbunden. Bei einer alternativen Ausgestaltung, bei der der Aktor 2 nur eine Druckkammer aufweist, ist dementsprechend nur ein Druckausgang mit einer Druckkammer verbunden.
Die Ventilanordnung 14 verfügt über eine Drucksensoranordnung 29 mit Drucksensoren, mit denen der Druck an den Druckausgängen 23, 24 und/oder der Druck in einem Entlüftungsanschluss 26 und/oder einem Belüftungsanschluss 27 gemessen werden kann. Die Drucksensoranordnung 29 ist insbesondere Teil der Sensoranordnung 56.
Exemplarisch umfasst die Ventilanordnung 14 eine Mehrzahl an Modulen, z.B. Ventilmodule 17 und/oder I/O-Module 18. Die Ventilanordnung 14 umfasst ferner eine Steuereinheit 19, die vorzugsweise ebenfalls als Modul ausgeführt ist. Die Ventilanordnung 14 verfügt zweckmäßigerweise über einen Trägerkörper 20, insbesondere eine Trägerplatte, auf dem die Steuereinheit 19, die Ventilmodule 17 und/oder das I/O-Modul 18 angeordnet sind.
Die Rechnereinheit 53 ist vorzugsweise Teil der Steuereinheit 19 oder eines Ventilmoduls 17. Das Machine-Learning-Modell 55 ist vorzugsweise in der Steuereinheit 19 oder in einem Ventildmodul 17 vorhanden.
Die Ventilanordnung 14 ist exemplarisch als Reihenmodulanordnung ausgeführt und kann insbesondere auch als Ventilinsel bezeichnet werden. Bei den vorstehend genannten Modulen handelt es sich insbesondere um Reihenmodule, die vorzugsweise scheibenförmig ausgeführt sind. Insbesondere sind die Ventilmodule 17 als Ventilscheiben ausgeführt. Die Reihenmodule sind zweckmäßigerweise aneinandergereiht, insbesondere entlang der Längsachse der Ventilanordnung 14.
Die Druckluft-Bereitstellungsvorrichtung 4 umfasst exemplarisch ferner eine übergeordnete Steuerung 15 und/oder optional einen Cloud-Server 16 und/oder ein Benutzergerät 49. Die Benutzerschnittstelle 58 ist beispielsweise Teil der übergeordneten Steuerung 15, des Cloud-Servers 16 und/oder des Benutzergeräts 49.
Die Ventilanordnung 14 ist zweckmäßigerweise mit der übergeordneten Steuerung 15 und/oder dem Cloud-Server 16 kommunikativ verbunden. Vorzugsweise ist die Ventilanordnung 14 mit der übergeordneten Steuerung 15 über einen Bus 25, insbesondere einen lokalen Bus, beispielsweise einen Feldbus, verbunden und/oder optional mit dem Cloud-Server 16 über ein Weitverkehrsnetz 22, beispielsweise das Internet, verbunden.
Exemplarisch umfasst der Aktor 2 eine Positionssensoreinrichtung 10 zur Erfassung einer Position des Aktorglieds 3. Die Positionssensoreinrichtung 10 ist insbesondere Teil der Sensoranordnung 56 und ist zweckmäßigerweise über Kommunikationsleitungen 91, 92 mit der Ventilanordnung 14 verbunden.
Der pneumatische Aktor 2 ist zweckmäßigerweise ein pneumatischer Aktor, der mit Druckluft beaufschlagt werden kann. Exemplarisch ist der pneumatische Aktor 2 als Antrieb, insbesondere als Antriebszylinder ausgebildet. Der pneumatische Aktor 2 umfasst exemplarisch einen Aktorkörper 7, das Aktorglied 3 und wenigstens eine Druckkammer 8, 9. Zweckmäßigerweise umfasst der pneumatische Aktor 2 zwei separat voneinander mit dem Druckluft beaufschlagbare Druckkammern 8, 9 und ist insbesondere als doppelwirkender Aktor ausgebildet. Alternativ dazu kann der pneumatische Aktor 2 auch nur eine Druckkammer aufweisen und dementsprechend als einfachwirkender Aktor ausgebildet sein.
Der Aktorkörper 7 ist vorzugsweise als Zylinder ausgeführt und verfügt über ein Innenvolumen. Das Aktorglied 3 umfasst beispielsweise einen Kolben 5 und/oder eine Kolbenstange 6. Der Kolben 5 ist im Aktorkörper 7 angeordnet und unterteilt das Innenvolumen des Aktorkörpers 7 in die beiden Druckkammern 8, 9.
Die Schlauchanordnung 28 umfasst exemplarisch zwei Schläuche 51, 52. Ein erster Schlauch 51 verbindet den ersten Druckausgang 23 pneumatisch mit der ersten Druckkammer 8 und ein zweiter Schlauch 52 verbindet den zweiten Druckausgang 24 pneumatisch mit der zweiten Druckkammer 9. Bei einer alternativen Ausgestaltung, bei der der pneumatische Aktor 2 nur eine Druckkammer aufweist, umfasst die Schlauchanordnung 28 zweckmäßigerweise nur einen Schlauch.
Die übergeordnete Steuerung 15 ist exemplarisch als speicherprogrammierbare Steuerung, ausgebildet und kommunikativ mit der Ventilanordnung 14, insbesondere mit der Steuereinheit 19 verbunden. Zweckmäßigerweise ist die übergeordnete Steuerung 15 ferner mit dem Cloud-Server 16 verbunden, insbesondere über ein Weitverkehrsnetz 22, vorzugsweise über das Internet. Die übergeordnete Steuerung 15 ist zweckmäßigerweise ausgebildet, ein Sollwertsignal SWS bereitzustellen, dass die (Soll-)Position vorgibt, auf die das Aktorglied 3 im Rahmen der Positionsregelung geregelt wird.
Bei dem Benutzergerät 49 handelt es sich exemplarisch um ein Mobilgerät, beispielsweise ein Smartphone, ein Tablet-Computer und/oder ein Notebook. Ferner kann es sich bei dem Benutzergerät 49 um einen Desktop-Computer, beispielsweise einen PC, handeln. Das Benutzergerät 49 ist zweckmäßigerweise kommunikativ mit der Steuereinheit 19, dem Cloud-Server 16 und/oder der übergeordneten Steuerung 15 verbunden, insbesondere über ein Weitverkehrsnetz 22, beispielsweise das Internet. Das Benutzergerät 49 ist insbesondere zur Benutzereingabe der Systemparameter SP ausgebildet. Über das Benutzergerät 49 kann zweckmäßigerweise auf eine Benutzeroberfläche zugegriffen werden, mit der die Systemparameter SP eingegeben werden können. Bei der Benutzeroberfläche handelt es sich zweckmäßigerweise um eine Weboberfläche. Ferner kann die Benutzeroberfläche dazu dienen, ein Anwendungsprogramm, das das Machine-Learning-Modell 55 und/oder den Regler 54 bereitstellt, auszuwählen, zu aktivieren und/oder auf die Steuereinheit 19 und/oder ein Ventilmodul 17 zu laden.
Der Cloud-Server 16 ist zweckmäßigerweise entfernt von der Ventilanordnung 14 und/oder dem pneumatischen Aktor 2 angeordnet, insbesondere an einem anderen geographischen Ort. Vorzugsweise ist der Cloud-Server 16 ausgebildet, das Anwendungsprogramm bereitzustellen. Das Anwendungsprogramm kann von dem Cloud-Server 16 auf die übergeordnete Steuerung 15 und/oder die Steuereinheit 19 und/oder das Ventilmodul 17 geladen werden, zweckmäßigerweise in Ansprechen auf eine mit dem Benutzergerät 49 getätigte Benutzereingabe.
Die 8 zeigt eine beispielhafte Ventileinrichtung 21, mit der die Drücke für die Druckkammern 8, 9 bereitgestellt werden können. Die Ventileinrichtung 21 ist Teil der Druckluft-Bereitstellungsvorrichtung 4, insbesondere der Ventilanordnung 14, vorzugsweise eines Ventilmoduls 17.
Die Ventileinrichtung 21 verfügt über die beiden Druckausgänge 23, 24 mit denen zwei separate Druckluft-Drücke und/oder zwei separate Druckluft-Massenströme bereitgestellt werden können. Die Ventileinrichtung 21 verfügt ferner über einen mit einer Entlüftungsleitung verbundenen Entlüftungsanschluss 26 und einen mit einer Belüftungsleitung verbundenen Belüftungsanschluss 27. Zweckmäßigerweise liegt an dem Belüftungsanschluss 27 ein Versorgungsdruck und/oder an dem Entlüftungsanschluss 26 der Atmosphärendruck an.
Die Ventileinrichtung 21 umfasst für jeden Druckausgang 23, 24 ein oder mehrere Ventilglieder 48, über die die Größe einer jeweiligen Ausgangsöffnung einstellbar ist, die bei der Bereitstellung des Drucklufts an einem jeweiligen Druckausgang 23, 24 durchlaufen wird.
In der 2 ist die Ventileinrichtung 21 exemplarisch als Vollbrücke aus vier 2/2-Wegeventilen 31, 32, 33, 34 ausgeführt. Ein erstes 2/2-Wegeventil 31 ist zwischen den Belüftungsanschluss 27 und den ersten Druckausgang 23 geschaltet, ein zweites 2/2-Wegeventil 32 ist zwischen den ersten Druckausgänge 23 und den Entlüftungsanschluss 26 geschaltet, ein drittes 2/2-Wegeventil ist zwischen den Entlüftungsanschluss 26 und den zweiten Druckausgang 24 geschaltet und ein viertes 2/2-Wegeventil ist zwischen den zweiten Druckausgang 24 und den Belüftungsanschluss 27 geschaltet.
Der erste Druckausgang 23 ist wahlweise über das erste 2/2-Wegeventil mit der Entlüftungsleitung oder über das zweite 2/2-Wegeventil mit der Belüftungsleitung verbindbar und der zweite Druckausgang 24 ist wahlweise über das dritte 2/2-Wegeventil mit der Entlüftungsleitung oder über das vierte 2/2-Wegeventil mit der Belüftungsleitung verbindbar.
Jedes 2/2-Wegeventil 31, 32, 33, 34 ist exemplarisch als Proportionalventil ausgebildet; d.h. jedes 2/2-Wegeventil 31, 32, 33, 34 verfügt über ein Ventilglied 48, das in eine offene Stellung, eine geschlossene Stellung und beliebige Zwischenstellungen zwischen der offenen und der geschlossenen Stellung versetzt werden kann. Vorzugsweise handelt es sich bei den 2/2-Wegeventilen 31, 32, 33, 34 um vorgesteuerte Ventile, die jeweils über zwei Vorsteuerventile 41, 42 verfügen, über die das Ventilglied betätigt werden kann. Die Vorsteuerventile 41, 42 sind exemplarisch als Piezoventile ausgebildet. Über die Stellung des jeweiligen Ventilglieds 48 lässt sich zweckmäßigerweise die vorstehend erwähnte Ausgangsöffnung einstellen.
Exemplarisch bilden das erste und zweite 2/2-Wegeventil 31, 32 eine erste Halbbrücke und das dritte und vierte 2/2-Wegeventil 33, 34 eine zweite Halbbrücke. Vorzugsweise ist über die erste Halbbrücke die Ausgangsöffnung des ersten Druckausgangs 23 einstellbar und über die zweite Halbbrücke die Ausgangsöffnung des zweiten Druckausgangs 24 einstellbar.
Die Ventilanordnung 14 umfasst zweckmäßigerweise die Drucksensoranordnung 29 mit einem oder mehreren Drucksensoren, um Drücke der Ventilanordnung 14, insbesondere der Ventileinrichtung 21, zu erfassen.
Exemplarisch umfasst die Ventilanordnung 14, insbesondere die Ventileinrichtung 21, einen ersten Druckausgang-Drucksensor 45 zur Erfassung des an dem ersten Druckausgang 23 bereitgestellten Drucks und/oder einen zweiten Druckausgang-Drucksensor 46 zur Erfassung des an dem zweiten Druckausgang 24 bereitgestellten Drucks. Zweckmäßigerweise umfasst die Ventilanordnung 14, insbesondere die Ventileinrichtung 21, ferner einen Zuluft-Drucksensor 44 zur Erfassung des an dem Belüftungsanschluss 27 bereitgestellten Drucks und/oder einen Abluft-Drucksensor 43 zur Erfassung des an dem Entlüftungsanschluss 26 bereitgestellten Drucks.
Die Ventilanordnung 14, insbesondere die Ventileinrichtung 21, umfasst zweckmäßigerweise Hubsensoren 47 zur Erfassung der Stellung der Ventilglieder 48. Die Druckluft-Bereitstellungsvorrichtung 4 ist insbesondere ausgebildet, mittels der Hubsensoren 47 die Größe der Ausgangsöffnungen der Druckausgänge 23, 24 zu bestimmen.
Die Drucksensoranordnung 29 und/oder die Hubsensoren 47 sind zweckmäßigerweise Teil der Sensoranordnung 56.

Claims

Druckluft-Bereitstellungsvorrichtung (4) zur Durchführung einer Regelung, insbesondere einer Positionsregelung und/oder Druckregelung, auf Basis von Reglerparametern (RP), wobei die Druckluft-Bereitstellungsvorrichtung (4) über ein Machine-Learning-Modell (55) verfügt und ausgebildet ist, unter Verwendung des Machine-Learning-Modells (55) die Reglerparameter (RP) auf Basis von eingegebenen Systemparametern (SP) bereitzustellen, die physikalische Eigenschaften eines Systems (100), in dem die Druckluft-Bereitstellungsvorrichtung (4) verwendet werden soll, beschreiben, und auf Basis der bereitgestellten Reglerparameter (RP) die Regelung durchzuführen.
Druckluft-Bereitstellungsvorrichtung (4) nach Anspruch 1, ferner umfassend eine Benutzerschnittstelle (58) zur Eingabe der Systemparameter (SP).
Druckluft-Bereitstellungsvorrichtung (4) nach Anspruch 1 oder 2, wobei die Reglerparameter (RP) Reglerverstärkungen umfassen.
Druckluft-Bereitstellungsvorrichtung (4) nach einem voranstehenden Anspruch, wobei die Systemparameter (SP) eine Abmessung, ein Volumen, eine Masse, eine Reibung, einen Winkel und/oder einen Druck umfassen.
Druckluft-Bereitstellungsvorrichtung (4) nach einem der voranstehenden Ansprüche, wobei das Machine-Learning-Modell (55) eine Regressionsmethode, insbesondere eine Support-Vector-Regression, ein Regression-Tree und/oder ein künstliches neuronales Netz umfasst.
Druckluft-Bereitstellungsvorrichtung (4) nach einem voranstehenden Anspruch, wobei das Machine-Learning-Modell auf Simulationsdaten (64) beruht.
Druckluft-Bereitstellungsvorrichtung (4) nach einem voranstehenden Anspruch, wobei die Druckluft-Bereitstellungsvorrichtung (4) ausgebildet ist, bei der Inbetriebnahme das Machine-Learning-Modell (55) anzupassen und unter Verwendung des angepassten Machine-Learning-Modells (55) die Reglerparameter (RP) für die Regelung bereitzustellen.
Verfahren zum Betrieb einer Druckluft-Bereitstellungsvorrichtung (4) nach einem der voranstehenden Ansprüche, umfassend die Schritte: Bereitstellen der Reglerparameter (RP) auf Basis der eingegebenen Systemparametern (SP) unter Verwendung des Machine-Learning-Modells (55) und Durchführen der Regelung auf Basis der bereitgestellten Reglerparameter (RP).
Verfahren zur Bereitstellung eines Machine-Learning-Modells (55), umfassend die Schritte: - Durchführen (S11) einer Mehrzahl von Simulationen eines Systems (60) mit einem Regler (54) und einer Regelstrecke (61) für eine Mehrzahl von Satz-Kombinationen aus Systemparameter-Sätzen (SPS) und Reglerparameter-Sätzen, wobei jeder Systemparameter-Satz (SPS) mehrere Systemparameter (SP) umfasst, die physikalische Eigenschaften einer jeweiligen Systemkonfiguration des Systems 60 beschreiben, und wobei jeder Reglerparameter-Satz (RPS) mehrere Reglerparameter (RP) umfasst, wobei bei jeder Simulation simuliert wird, wie der Regler (54) auf Basis des jeweiligen Reglerparameter-Satzes (RPS) eine Regelung der Regelstrecke (61) durchführt, und wobei jede Simulation für eine jeweilige Satz-Kombination aus einem Systemparameter-Satz (SPS) und einem Reglerparameter-Satz (RPS) durchgeführt wird, - auf Basis der Simulationen, Berechnen (S12) eines jeweiligen Regelungs-Kostenwerts (RKW) für jede Satz-Kombination, - Auswählen (S13) von Satz-Kombinationen auf Basis der berechneten Regelungs-Kostenwerte, - Erstellen (S14) eines Trainings-Datensatzes (66) auf Basis der ausgewählten Satz-Kombinationen und - Trainieren (S15) des Machine-Learning-Modells (55) mit dem Trainings-Datensatz (66).
Verfahren nach Anspruch 9, umfassend die Schritte: - Anpassen (S19) von Reglerparameter-Sätzen (RPS) auf Basis der Regelungs-Kostenwerte (RKW) und - erneutes Durchführen der Simulationen auf Basis der angepassten Reglerparameter-Sätze (RPS)
Verfahren nach Anspruch 9 oder 10, ferner umfassend die Schritte: - Erstellen eines Test-Datensatzes (70) auf Basis der ausgewählten Satz-Kombinationen, - Testen (S16) des trainierten Machine-Learning-Modells (55) unter Verwendung des Test-Datensatzes (70) und - Anpassen (S17) des Machine-Learning-Modells (55) in Abhängigkeit des Ergebnisses des Testens des trainierten Machine-Learning-Modells (55).
Verfahren zur Bereitstellung eines Machine-Learning-Modells (55), umfassend die Schritte: - unter Verwendung des Machine-Learning-Modells (55), Bereitstellen (S21) eines Reglerparameter-Satzes (RPS) auf Basis eines Systemparameter-Satzes (SPS), wobei der Reglerparameter-Satz (RPS) mehrere Reglerparameter (RP) umfasst und der Systemparameter-Satz (SPS) mehrere Systemparameter (SP) umfasst, die die physikalischen Eigenschaften eines Systems (60) mit einem Regler (54) und einer Regelstrecke (61) beschreibt, - Durchführen (S22A) einer Simulation des Systems (60), wobei simuliert wird, wie der Regler (54) auf Basis des Reglerparameter-Satzes (RPS) eine Regelung der Regelstrecke (61) durchführt, und/oder Durchführen (S22B) einer realen Regelung der Regelstrecke (61) durch den Regler (54) auf Basis des Reglerparameter-Satzes (RPS), - Berechnen eines Regelungs-Kostenwerts auf Basis der Simulation und/oder der realen Regelung, - In Abhängigkeit von dem Regelungs-Kostenwert, Anpassen des Machine-Learning-Modells (55) und Wiederholen der vorstehenden Schritte.
Verfahren zur Bereitstellung eines Machine-Learning-Modells (55), wobei zuerst das Verfahren nach Anspruch 9, 10 oder 11 durchgeführt wird und dann das dadurch erhaltene Machine-Learning-Modell (55) in dem Verfahren gemäß Anspruch 12 verwendet und durch das Verfahren gemäß Anspruch 12 angepasst wird.
Verfahren nach einem der Ansprüche 9 bis 13, umfassend den Schritt: Verwenden des Machine-Learning-Modells für die Druckluft-Bereitstellungsvorrichtung nach einem der Ansprüche 1 bis 7 und/oder für das Verfahren nach Anspruch 8.